.png){kind=icon}
返回
Dependent task offloading in multi-access edge computing: A GCN augmented deep reinforcement learning approach
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comnet.2025.111445.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多接入边缘计算（MEC）是一种有前景的分布式计算范式，通过将用户生成的应用任务卸载到网络边缘来降低用户的延迟能耗成本（DECC）。大多数用户生成的任务包含一系列具有依赖关系的子任务，如何有效卸载这些相互依赖的任务并降低DECC是一个关键问题。此外，大多数现有的基于学习的方法在动态建模MEC环境方面能力不足，无法有效表征异构的MEC环境。为此，本文将多用户任务卸载问题建模为马尔可夫决策过程（MDP）。首先，为解决异构MEC环境的挑战，我们提出了一种具有状态嵌入的多依赖任务卸载算法。该算法利用共同性和差异性组件来捕捉用户与MEC环境之间的交互，提供鲁棒的状态表示。其次，我们引入了斯塔克尔伯格博弈的策略梯度定理来优化卸载决策。最后，大量实验表明，与现有方法相比，我们提出的方法显著降低了DECC。
期刊
IF:
4.6
论文数:
1.6K
被引数:
1.6W
机构
暂无机构信息
引用论文
Collaborative cloud-edge-end task offloading with task dependency based on deep reinforcement learning基于深度强化学习的协同任务依赖的云-边端任务卸载
.png){kind=icon}
PREAI
分享收藏Efficient Dependent Task Offloading for Multiple Applications in MEC-Cloud SystemMEC云系统中多应用的高效依赖任务卸载
PREAI
分享收藏
A survey of mobility-aware Multi-access Edge Computing: Challenges, use cases and future directions
PREAI
分享收藏Multi-User Offloading for Edge Computing Networks: A Dependency-Aware and Latency-Optimal Approach
PREAI
分享收藏
查看更多内容